具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

在目标跟踪领域，可以对雷达接收到的回波数据进行数据关联，从而将相同的目标关联起来，以便于后续对目标的识别、分析。

本发明实施例提供的雷达目标数据关联的方法，通过确定两帧回波数据中的参考点对应的信号结构信息矩阵之间的相似度，确定两帧回波数据中的参考点是否为同一目标，使得在数据关联过程中，充分考虑了目标回波信号的结构信息，得到的相似度值更加准确，提高了目标的正确关联概率。

下面以具体的实施例对本发明的技术方案进行详细说明。

请参见图1，图1为本发明实施例提供的一种雷达目标数据关联的方法的流程示意图，如图1所示，本实施例的方法由计算机或者服务器执行，本实施例提供的方法包括：

S101、获取第一参考点对应的信号结构信息和第二参考点对应的信号结构信息。

其中，第一参考点为根据第一帧回波数据得到的，第二参考点为根据第二帧回波数据得到的。

其中，第一帧回波数据和第二帧回波数据可以为连续的两帧回波数据，也可以为不连续的两帧回波数据，对此本发明不做限定。

其中，本发明中的回波数据也可以称为雷达回波数据。

通过雷达对目标进行探测时，可以通过雷达接收到的回波信号，得到多帧回波数据。

在进行数据关联的过程中，获取两帧回波数据，该两帧回波数据分别为第一帧回波数据和第二帧回波数据。根据回波数据可以得到相应的参考点，第一参考点为根据第一帧回波数据得到的一个参考点，第二参考点为根据第二帧回波数据得到的一个参考点。

分别获取第一参考点对应的信号结构信息和第二参考点对应的信号结构信息。

其中，第一参考点对应的信号结构信息为第一参考点对应的回波信号中的信号结构信息。

其中，第二参考点对应的信号结构信息为第二参考点对应的回波信号中的信号结构信息。

S102、将第一参考点对应的信号结构信息和第二参考点对应的信号结构信息，输入到相似度确定模型中，得到第一参考点和第二参考点之间的相似度值。

将第一参考点对应的信号结构信息和第二参考点对应的信号结构信息，输入到相似度确定模型中，得到第一参考点对应的信号结构信息和第二参考点对应的信号结构信息之间的相似度值。该相似度值也为第一参考点和第二参考点之间的相似度值。

其中，相似度确定模型用于确定第一参考点对应的信号结构信息和第二参考点对应的信号结构信息的相似度。相似度确定模型为预先训练好的网络模型。

S103、判断相似度值是否小于或等于预设相似度阈值。

其中，预设相似度阈值为预先设置的大于零的数值。

若相似度值小于或等于预设相似度阈值，继续执行S104。若相似度值大于预设相似度阈值，继续执行S105。

S104、确定第一参考点和第二参考点为相同的目标。

若相似度值小于或等于预设相似度阈值，则可以认为第一参考点和第二参考点为相同的目标。

S105、确定第一参考点和第二参考点为不同的目标。

若相似度值大于预设相似度阈值，则可以认为第一参考点和第二参考点为不同的目标。

本实施例，通过获取第一参考点对应的信号结构信息和第二参考点对应的信号结构信息，其中，第一参考点为根据第一帧回波数据得到的，第二参考点为根据第二帧回波数据得到的，将第一参考点对应的信号结构信息和第二参考点对应的信号结构信息，输入到相似度确定模型中，得到第一参考点和第二参考点之间的相似度值，若相似度值小于或等于预设相似度阈值，确定第一参考点和第二参考点为相同的目标。根据两帧回波数据中的参考点对应的信号结构信息矩阵之间的相似度，确定两帧回波数据中的参考点是否为同一目标，使得在数据关联过程中，充分考虑了目标回波信号的结构信息，得到的相似度值更加准确，提高目标的正确关联概率。另外，本实施例克服了现有技术中仅利用位置信息、多普勒信息进行目标数据关联，未充分利用回波信息造成的性能损失问题，更有效地应用于雷达目标的数据关联。

在图1所示实施例的基础上，进一步地，S101可以通过如下步骤实现：

S1011、获取第一帧回波数据和第二帧回波数据。

S1012、对第一帧回波数据进行目标检测处理，得到多个第一参考点。

对第一帧回波数据进行目标检测处理，得到目标检测结果。其中，目标检测结果可以包括：第一帧回波数据中不包含参考点，或者第一帧回波数据中包含参考点。

若第一帧回波数据中不包含参考点，则不进行后续处理。

若第一帧回波数据中包含参考点，其中，第一帧回波数据中包含多个第一参考点，则继续执行S1013。

S1013、分别根据每个第一参考点和第一帧回波数据，得到每个第一参考点对应的信号结构信息。

S1014、对第二帧回波数据进行目标检测处理，得到第二参考点。

S1014的实现方式与S1012类似，此处不再赘述。

S1015、分别根据每个第二参考点和第二帧回波数据，得到每个第二参考点对应的信号结构信息。

S1015的实现方式与S1013类似，此处不再赘述。

本实施例，根据第一参考点和第一帧回波数据，得到第一参考点对应的信号结构信息，根据第二参考点和第二帧回波数据，得到第二参考点对应的信号结构信息，充分考虑了回波信号的结构信息，得到的相似度值更加准确，提高目标的正确关联概率。

在上述实施例的基础上，进一步地，S1012可以通过如下方式实现：

依次对第一帧回波数据进行脉冲压缩处理、相干积累处理和目标检测处理，得到多个第一参考点和第一距离多普勒矩阵。

其中，对第一帧回波数据进行脉冲压缩处理，可以得到距离维信息。对第一帧回波数据进行相干积累处理可以得到多普勒通道信息。

根据距离维信息和多普勒通道信息，可以得到第一距离多普勒矩阵。

相应的，S1013可以通过如下方式实现：

针对每个第一参考点，确定第一参考点对应的距离单元和多普勒通道；以第一参考点对应的距离单元和多普勒通道为中心，从第一距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一参考点对应的信号结构信息。

其中，N_r为大于0的整数，N_f为大于0的整数。

进一步地，以第一参考点对应的距离单元和多普勒通道为中心，从第一距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一参考点对应的信号结构信息，可以通过如下步骤实现：

以第一参考点对应的距离单元和多普勒通道为中心，从第一距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一矩阵；

对第一矩阵取模值，得到第一参考点对应的信号结构信息。

在上述实施例的基础上，进一步地，S1014可以通过如下方式实现：

依次对第二帧回波数据进行脉冲压缩处理、相干积累处理和目标检测处理，得到多个第二参考点和第二距离多普勒矩阵。

其中，对第二帧回波数据进行脉冲压缩处理，可以得到距离维信息。对第二帧回波数据进行相干积累处理可以得到多普勒通道信息。

根据距离维信息和多普勒通道信息，可以得到第二距离多普勒矩阵。

相应的，S1015可以通过如下方式实现：

针对每个第二参考点，确定第二参考点对应的距离单元和多普勒通道；以第二参考点对应的距离单元和多普勒通道为中心，从第二距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一参考点对应的信号结构信息。

进一步地，以第二参考点对应的距离单元和多普勒通道为中心，从第二距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一参考点对应的信号结构信息，可以通过如下步骤实现：

以第二参考点对应的距离单元和多普勒通道为中心，从第二距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第二矩阵；

对第二矩阵取模值，得到第二参考点对应的信号结构信息。

在上述实施例的基础上，进一步地，方法还包括：

根据雷达的采样频率和雷达发射信号的带宽，确定N_r。

可选的，N_r可以通过如下公式(1)得到：

其中，N_r为雷达回波信号中目标回波结构信息在距离维覆盖的采样单元数量，F_s为雷达的采样频率，B为雷达发射信号的带宽，表示向上取整操作。

在上述实施例的基础上，进一步地，第一参考点和第二参考点满足最大速度波门约束条件。

在上述实施例的基础上，进一步地，相似度确定模型可以为训练好的孪生神经网络。

进一步地，孪生神经网络包括两个结构相同，共享权值的全卷积神经网络。

例如，构建由两个结构相同，共享权值的依次由输入编码层、隐藏层和输出解码层组成的全卷积神经网络组成的孪生神经网络。

其中：输入编码层，采用卷积核大小为3*3，通道数为32的卷积层。

隐藏层，由6个卷积层依次连接组成，其中：

第1卷积层的通道数为32、卷积核大小为3*3；

第2卷积层是通道数为64、卷积核大小为3*3；

第3卷积层是通道数为64、卷积核大小为3*3；

第4卷积层是通道数为128、卷积核大小为3*3；

第5卷积层是通道数为128、卷积核大小为3*3；

输出解码层，采用通道数为1、卷积核大小为1*1的卷积层。

本实施例，通过构建了孪生神经网络，克服了现有技术中采用模型驱动的方法面临目标机动时容易发生模型失配的缺陷，使得本发明能够通过数据驱动的方式从数据中学习出关联目标观测的约束，提高了雷达目标数据关联的性能。

下面以步骤A-步骤D为例进行说明本发明实施例提供的方法。

步骤A、获取两帧雷达回波数据，对该两帧雷达回波数据分别进行脉冲压缩、相干积累和目标检测处理，得到处理后的两帧雷达回波数据。

其中，两帧雷达回波数据包括：起始帧回波数据(对应上述实施例中的第一帧回波数据)和关联帧回波数据(对应上述实施例中的第二帧回波数据)。

步骤B、以处理后的两帧雷达回波数据的各个未与已知航迹关联的检测结果(检测结果对应上述实施例中的参考点)为中心，根据距离维采样单元数N_r和多普勒通道数N_f，提取大小为N_r×N_f的矩阵涵盖的回波信号，组成针对各个未与已知航迹关联的检测结果的回波信号矩阵，并对其取模值，得到信号结构信息。

步骤C、以起始帧中每个未与已知航迹关联的检测结果为参考点，在关联帧中获取任一未与已知航迹关联的检测结果为关联点，两两组合成一对数据对。

利用最大速度波门约束条件对所有的数据对分别进行处理，排除关联帧中不太可能出现的目标。最大速度波门约束条件可以通过如下公式(2)表示：

其中，ρ₁表示检测得到的参考点的距离，θ₁表示检测得到的参考点的方位角信息，ρ₂表示检测得到的关联点的距离，θ₂表示检测得到的关联点的方位角信息，v_max表示目标可能的最大运动速度，T表示扫描周期。

步骤D、将参考点的信号结构信息矩阵和满足最大速度波门约束的关联点的信号结构信息矩阵输入训练好的孪生神经网络，得到参考点与关联点的相似度d，并与网络训练得到门限M进行对比，从而完成目标的关联。

其中，当d≤M时，则参考点和关联点属于同一目标；否则，不属于同一目标。

在另外一些实施例中，在相似度确定模型使用之前，还包括：训练相似度确定模型。可以理解，训练相似度确定模型的过程可以单独执行，也可以在上述实施例的方法步骤前执行。

训练相似度确定模型的步骤可以通过计算机或者服务器执行，其中训练相似度确定模型的计算机或者服务器与上述实施例中实现雷达目标数据关联的方法的计算机或者服务器可以相同也可以不同。

如果训练相似度确定模型的计算机或者服务器与上述实施例中实现雷达目标数据关联的方法的计算机或者服务器不同，则在训练完成得到相似度确定模型以后，可以向实现雷达目标数据关联的方法的计算机或者服务器发送改训练完成的相似度确定模型。

其中，训练相似度确定模型，包括：

获取训练数据集。

其中，训练数据集包括：正样本数据集和负样本数据集，正样本数据集中包含多个正样本；负样本数据集中包含多个负样本；多个正样本和多个负样本的数量相同。

将训练数据集输入到相似度确定模型中进行训练，直到代价函数的变化率小于等于预设阈值，停止训练，得到训练好的相似度确定模型。

下面以具体的例子进行说明如何训练相似度确定模型。本实施实例是针对匀加速运动目标的数据关联，通过构建包含目标信号结构信息的训练数据集，训练孪生神经网络，使其从数据中学习使用信号结构信息实施目标数据关联，提高不同加速度的匀加速运动目标的正确关联概率。

步骤1，构建训练数据集。

具体的，步骤1可以通过如下步骤1.1-步骤1.6实现：

步骤1.1、根据雷达的采样频率F_s和雷达发射信号的带宽B，计算雷达回波信号中目标回波结构信息在距离维覆盖的采样单元数量N_r，例如，可以采用如上述公式(1)的方法得到N_r。

步骤1.2、获取目标存在时，雷达回波信号中以目标为中心点，距离维相邻N_r个单元的所有多普勒通道的数据作为目标信号结构信息矩阵，构造目标信号结构信息矩阵数据集G_t。

具体的，步骤1.2可以通过如下步骤1.2.1-步骤1.2.5实现：

步骤1.2.1、对目标存在时雷达接收的回波信号，依次进行脉冲压缩和相干积累处理，获得有目标存在的距离多普勒矩阵。

步骤1.2.2、计算目标所在的距离单元和多普勒通道。

步骤1.2.3、从有目标存在的距离多普勒矩阵中，以目标所在距离单元和多普勒通道为中心，根据距离维采样单元数N_r和多普勒通道数N_f，提取出大小为N_r×N_f的矩阵所涵盖的区域回波，并对其取模值。

步骤1.2.4、将取模值处理后的回波信号矩阵作为目标信号结构信息矩阵S_t。

步骤1.2.5、重复步骤1.2.1-步骤1.2.4，得到目标信号结构信息矩阵S_t组成的目标信号结构信息数据集G_t。

步骤1.3、获取目标不存在时，雷达回波信号中以虚警为中心，距离维相邻N_r个单元的所有多普勒通道的数据作为虚警信号结构信息矩阵，构造虚警信号结构信息矩阵数据集G_f。

步骤1.3.1、对目标不存在时雷达接收的回波信号，依次进行脉冲压缩和相干积累处理，获得距离多普勒矩阵。

步骤1.3.2、计算虚警所在的距离单元和多普勒通道。

步骤1.3.3、从无目标存在的距离多普勒矩阵中，以虚警所在距离单元和多普勒通道为中心，根据距离维采样单元数N_r和多普勒通道数N_f，提取出大小为N_r×N_f的矩阵所涵盖的区域回波，并对其取模值。

步骤1.3.4、将取模值的回波信号矩阵作为虚警信号结构信息矩阵S_f。

步骤1.3.5、返回执行步骤1.3.1-步骤1.3.5，得到虚警信号结构信息矩阵S_t组成的虚警信号结构信息矩阵数据集G_f。

步骤1.4、取目标信号结构信息矩阵数据集G_t中的两组同一目标连续帧间的信号结构信息矩阵组成正样本数据对，构造正样本数据集

步骤1.5、任意取目标信号结构信息矩阵数据集G_t中的一组目标信号结构信息矩阵与虚警信号结构信息矩阵数据集G_f中的一组虚警信号结构信息矩阵，组成第一种负样本数据对，任意取虚警信号结构信息矩阵数据集G_f中的两组虚警信号结构信息矩阵组成第二种负样本数据对，取等量的第一种负样本数据对和第二种负样本数据对构造负样本数据集

步骤1.6、将数量相同的正样本数据集和负样本数据集组成训练数据集

步骤2，构建孪生神经网络。

请参见图2，图2为本发明实施例提供的一种孪生神经网络的结构示意图。下面结合图2对步骤2进行详细说明。

步骤2可以通过如下步骤2.1-步骤2.3实现：

步骤2.1、构建由两个结构相同，共享权值的依次由输入编码层、隐藏层和输出解码层组成的全卷积神经网络组成的孪生神经网络，其中:

输入编码层，采用卷积核大小为3*3，通道数为32的卷积层；

隐藏层，由6个卷积层依次连接组成，其中：

第1卷积层的通道数为32、卷积核大小为3*3；

第2卷积层是通道数为64、卷积核大小为3*3；

第3卷积层是通道数为64、卷积核大小为3*3；

第4卷积层是通道数为128、卷积核大小为3*3；

第5卷积层是通道数为128、卷积核大小为3*3；

输出解码层，采用通道数为1、卷积核大小为1*1的卷积层；

步骤2.2、距离多普勒矩阵数据对中的两组数据分别输入到两个结构相同，共享权值的全卷积神经网络(孪生神经网络)得到输出数据对，计算输出数据对中两组数据的距离即为孪生神经网络输出d。

可选的，孪生神经网络输出的相似度值d可以通过如下公式(3)得到：

d＝||f(S₁)-f(S₂)|| 公式(3)

其中，(S₁,S₂)表示孪生神经网络输入数据对，(f(S₁),f(S₂))表示数据对(S₁,S₂)输入全卷积神经网络时获得的真实输出数据对，d表示数据对(S₁,S₂)输入孪生神经网络时获得的真实输出。

步骤2.3、设置该孪生神经网络代价函数为交叉熵损失函数

可选的，交叉熵损失函数可以通过如下公式(4)得到:

其中，θ表示孪生神经网络中连接每一层网络的参数，其在训练孪生神经网络的过程中随着代价函数趋于不变而趋于最优，L表示训练数据集中数据对的数量，l表示数据对的序号，y_l表示数据对中的两组数据是否来自于同一目标，其中，若y_l等于1，表示数据对中数据来源于同一目标；若y_l等于0，表示数据对中数据来源于不同目标。d_l表示将第l个数据对输入孪生神经网络时获得的真实输出，表示两组数据结构信息的相似性，M预先设定的数据对关联概率的阈值，若网络输出d_l小于或等于M，则确定数据对中数据来源于同一目标，若网络输出d_l大于M，确定数据对中数据来源于不同目标。

步骤3，训练孪生神经网络。

根据训练数据集和代价函数使用最小批梯度下降法对孪生神经网络进行训练，得到训练好的孪生神经网络。

具体的，步骤3可以通过如下步骤3.1-步骤3.5实现：

步骤3.1、设定最小批梯度下降法批的大小P和网络参数更新步长μ。

步骤3.2、从训练数据集中随机选取大小为P的数据，输入到孪生神经网络，并计算相应的代价函数

步骤3.3、计算当前孪生神经网络代价函数关于网络参数θ的梯度g。

步骤3.4、将孪生神经网络的参数θ更新为θ-μg。

步骤3.5、重复步骤3.1-3.4，直到孪生神经网络的代价函数趋于不变，得到训练好的孪生神经网络。

下面结合仿真实验对本发明实施例提供的技术方案的有益效果做进一步说明。

1.仿真实验条件：

本发明仿真实验的硬件测试平台是：处理器为CPU Xeon E5-2643，主频为3.4GHz，内存64GB；软件平台为：Ubuntu 18.04LTS，64位操作系统，Python 2.7。

本发明的仿真实验中设定的雷达系统工作在L波段，其发射的探测信号是带宽为5MHz的线性调频信号。训练和测试场景中均假设目标的散射中心随机分布在20m×8m的区域。

假设目标的回波服从于Swerling I型分布，检测过程中遇到的噪声假设为接收机的内噪声，是服从复高斯分布的白噪声。

仿真目标的信噪比为13dB，目标回波幅度服从于Swerling I型分布。

2.仿真内容及仿真结果分析：

在上述仿真条件下，分别用本发明和基于位置信息和多普勒信息的雷达航迹起始方法，在复高斯白噪声环境下对不同虚警概率的目标进行数据关联1000次，得到目标加速度在0～60范围内的目标正确关联概率。

请参见图3A-图3C，图3A是本发明实施例提供的雷达期望的虚警概率为P＝10^-6时，两种方法在目标加速度在[0,60m/s²]范围内的目标的正确关联概率。图3B是本发明实施例提供的雷达期望的虚警概率为P＝10^-5时，两种方法在目标加速度在[0,60m/s²]范围内的目标的正确关联概率。图3C是本发明实施例提供的雷达期望的虚警概率为P＝10^-4时，两种方法在目标加速度在[0,60m/s²]范围内的目标的正确关联概率。

由图3A-图3C可以看出，本发明对不同虚警概率，仅当目标以恒定速度运动时，关联概率低于多普勒信息辅助的关联方法，对加速度在(0,60m/s²]范围内的匀加速运动目标，其目标正确关联概率比多普勒信息辅助的关联方法更高，表明本发明能适用于机动目标的数据关联，且能够获得更高的关联概率。

请参见图4，图4为本发明实施例提供一种雷达目标数据关联的装置的结构示意图，如图4所示，本实施例提供的装置包括：

获取模块401，用于获取第一参考点对应的信号结构信息和第二参考点对应的信号结构信息，其中，第一参考点为根据第一帧回波数据得到的，第二参考点为根据第二帧回波数据得到的；

处理模块402，用于将第一参考点对应的信号结构信息和第二参考点对应的信号结构信息，输入到相似度确定模型中，得到第一参考点和第二参考点之间的相似度值；

若相似度值小于或等于预设相似度阈值，确定第一参考点和第二参考点为相同的目标。

可选的，获取模块401具体用于：

获取第一帧回波数据和第二帧回波数据；

对第一帧回波数据进行目标检测处理，得到多个第一参考点；

分别根据每个第一参考点和第一帧回波数据，得到每个第一参考点对应的信号结构信息；

对第二帧回波数据进行目标检测处理，得到多个第二参考点；

分别根据每个第二参考点和第二帧回波数据，得到每个第二参考点对应的信号结构信息。

可选的，获取模块401具体用于：

依次对第一帧回波数据进行脉冲压缩处理、相干积累处理和目标检测处理，得到多个第一参考点和第一距离多普勒矩阵；

根据每个第一参考点和第一帧回波数据，分别得到每个第一参考点对应的信号结构信息，包括：

针对每个第一参考点，确定第一参考点对应的距离单元和多普勒通道；以第一参考点对应的距离单元和多普勒通道为中心，从第一距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一参考点对应的信号结构信息，其中，N_r为大于0的整数，N_f为大于0的整数；

对第二帧回波数据进行目标检测处理，得到多个第二参考点，包括：

依次对第二帧回波数据进行脉冲压缩处理、相干积累处理和目标检测处理，得到多个第二参考点和第二距离多普勒矩阵；

根据每个第二参考点和第二帧回波数据，分别得到每个第二参考点对应的信号结构信息，包括：

针对每个第二参考点，确定第二参考点对应的距离单元和多普勒通道；以第二参考点对应的距离单元和多普勒通道为中心，从第二距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一参考点对应的信号结构信息。

可选的，获取模块401具体用于：

以第一参考点对应的距离单元和多普勒通道为中心，从第一距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第一矩阵；

对第一矩阵取模值，得到第一参考点对应的信号结构信息；

以第二参考点对应的距离单元和多普勒通道为中心，从第二距离多普勒矩阵中获取相邻N_r个采样单元的N_f个多普勒通道的数据，得到第二矩阵；

对第二矩阵取模值，得到第二参考点对应的信号结构信息。

可选的，第一参考点和第二参考点满足最大速度波门约束条件。

可选的，相似度确定模型为训练好的孪生神经网络；孪生神经网络包括两个结构相同，共享权值的全卷积神经网络。

可选的，本实施例提供的装置还包括：

训练模块，用于训练相似度确定模型；

训练模块具体用于：

获取训练数据集，训练数据集包括：正样本数据集和负样本数据集，正样本数据集中包含多个正样本；负样本数据集中包含多个负样本；多个正样本和多个负样本的数量相同；

将训练数据集输入到相似度确定模型中进行训练，直到代价函数的变化率小于等于预设阈值，停止训练，得到训练好的相似度确定模型。

上述实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现如上述任一实施例的方法步骤。

本发明实施例提供一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现如上述任一实施例的方法步骤。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。